ARTICLE DETAIL

资讯详情

深耕网站建设、视觉设计与SEO优化的一线实战洞察。

有理阵列DOA估计:稀疏阵列自由度提升与模糊抑制实践

有理阵列DOA估计:稀疏阵列自由度提升与模糊抑制实践

阵列信号处理这个圈子里,均匀线阵几乎是所有人入门时接触的第一种几何结构,教科书上的MUSIC、ESPRIT、Root-MUSIC推导也基本都建立在阵元等间距分布的前提上。但真到了工程落地阶段,等间距这个约束往往会变成一种奢侈——阵元间距超过半波长会引入栅瓣模糊,密排又意味着更多的通道数、更高的硬件成本和更严重的互耦效应。Pranav Kulkarni和P. P. Vaidyanathan这篇关于有理阵列用于DOA估计的工作,恰恰切中了这个矛盾点:能不能用一套"非均匀但结构可控"的稀疏阵列,在减少阵元数量的同时,把自由度做上去、把模糊压下去。我读这篇论文的出发点很实际——手上有个宽带测向的预研项目,通道资源卡得很死,想看看稀疏阵列这条路到底能走多远。

这篇博文不打算做成论文翻译,而是按照我自己读下来的理解路径,把有理阵列这套东西的核心逻辑、和互质阵列的关系、稀疏阵列常见的模糊陷阱、以及如果要动手复现需要注意什么,一条条拆开讲。适合已经了解基本阵列模型、看过一点稀疏阵列文献、想搞清楚"有理阵列到底特殊在哪"的读者。如果你连阵列流型都没推过,建议先把均匀线阵的导向矢量啃明白再回来,不然中间几段会有点吃力。

1. 为什么均匀线阵的自由度天花板让人难受

1.1 半波长约束背后的两难

先把问题摆清楚。一个N阵元的均匀线阵(ULA),阵元间距d取半波长λ/2时,无模糊的测向范围能覆盖整个±90°的可见区,这是它最大的优点。可代价也很直接:N个阵元最多分辨N-1个信源(用MUSIC这类子空间方法),自由度就是N。想要分辨更多信源、想要更高的角度分辨率,最直觉的办法就是加阵元,但每加一个阵元就多一路射频通道、多一路ADC、多一份互耦和校准工作量。在短波、微波这些频段,通道成本是按万甚至按十万计的,这不是随便加得起的。

那能不能把阵元拉开、间距取大于半波长?可以,稀疏化确实能换来更大的虚拟孔径,分辨率上去了,但栅瓣模糊立刻冒出来——同一个方向余弦会对应多个满足相位周期性的角度解,测向结果出现伪峰。这就是稀疏阵列最经典的困境:孔径和模糊是一对天生的矛盾体,你想白拿孔径,就得想办法把模糊处理掉。

1.2 稀疏阵列的两条主流路线

学界处理这个矛盾大致有两条路。一条是结构化稀疏,代表就是互质阵列(coprime array)和嵌套阵列(nested array),通过精心设计的阵元位置组合,让差分共阵(difference co-array)产生大量连续虚拟阵元,从而把自由度从物理阵元的N提升到O(N²)量级。另一条是完全随机稀疏,阵元位置随机撒,靠统计特性避免系统性模糊,但可分析性和可复现性都差,工程上不太好用。

互质阵列这条路之所以火,是因为它给出了一个漂亮的确定性构造:两组不同间距的均匀子阵交织,差分共阵的连续段长度有闭式表达,自由度提升是实打实的。但它也有自己的毛病——连续虚拟阵元的范围受限于子阵参数的选择,而且物理阵元的排布一旦定了,可调的余地不大。有理阵列正是在这个背景下值得关注:它把阵元位置从"整数倍半波长"推广到"有理数倍半波长",用有理数的分母和分子来同时编码稀疏性和模糊结构,相当于在互质阵列的框架上多开了一个调节维度。

2. 有理阵列到底"有理"在哪:位置编码的核心思路

2.1 从整数格点到有理格点

理解有理阵列,关键是把阵元位置看成格点上的采样。均匀线阵的阵元位置是d·[0,1,2,...,N-1],d=λ/2,位置是半波长的整数倍,对应整数格点。互质阵列也是整数格点,只是选取的整数集合是两组互质子阵的并集。有理阵列则把位置写成(m/n)·(λ/2)的形式,m、n是整数,n就是所谓的"有理分母"。这一步推广看着只是数学上的小改动,但它带来的结构性变化很大:阵元间距可以取半波长的分数倍,意味着你可以构造出间距略大于半波长、但又不是整数倍的排布,从而在孔径和模糊之间找到更细的折中点。

我一开始也疑惑,分数倍间距在物理上不就是把阵元挪了一点点吗,有什么本质区别?读下来才明白,区别在于模糊的结构变了。整数倍间距的稀疏阵列,模糊是周期性的、成组出现的,处理起来要么靠共阵扩展、要么靠额外约束。有理间距下,模糊的位置和间距本身的有理结构挂钩,论文的核心贡献之一就是给出了这种结构下模糊的解析刻画,让你能预判哪些角度会出现伪峰、伪峰之间什么关系,而不是事后靠仿真去数峰。

2.2 分母参数如何影响模糊图样

论文里对有理分母n的作用做了比较细的分析。直观上,n越大,阵元位置能取到的"细粒度"越高,可构造的稀疏模式越丰富;但n增大也意味着位置集合的周期性结构变复杂,模糊图样的分析难度上升。实际选参数时,n不是越大越好,得和阵元总数、目标自由度、可接受的模糊水平一起权衡。论文给出的几个典型构造里,n取小整数(比如2、3、4)配合适当的分子集合,就能在中等阵元数下拿到不错的连续共阵长度。

这里有个容易忽略的点:有理阵列的"有理"不是指阵元位置随便取分数,而是指整套位置集合构成一个具有特定代数结构的集合,分母n在整个集合上是统一的或者分段统一的。如果每个阵元位置的分母都不一样,那这套理论的分析框架就不成立了,退化回随机稀疏。所以复现的时候,位置生成必须严格按论文给的构造规则来,不能自己拍脑袋改分母。

2.3 和互质阵列的血缘关系

把有理阵列和互质阵列对照着看会更清楚。互质阵列可以看作有理阵列在n=1时的一个特例思路的延伸——当然严格说互质阵列的构造逻辑不完全等同于有理阵列取n=1,但两者在"用数论结构换自由度"这个哲学上是一脉相承的。有理阵列把互质子阵的间距从整数推广到有理数,相当于给互质构造加了一层"缩放",使得子阵之间的互质关系可以在更细的格点上成立。论文在自由度分析和共阵连续段长度的推导上,明显借用了互质阵列那套差分共阵的工具,只是把整数格点上的结论推广到了有理格点。

这个血缘关系对复现有直接指导意义:如果你手上已经有互质阵列的仿真代码,改造成有理阵列的工作量主要集中在前端的位置生成和导向矢量构造,后端的共阵统计、空间平滑、MUSIC谱计算基本可以复用。我实际改的时候,位置生成那部分重写了大半天,后端几乎没动。

3. 差分共阵与自由度:稀疏阵列的"虚拟扩容"机制

3.1 差分共阵为什么能凭空变出阵元

差分共阵这个概念,第一次接触会觉得有点魔法:物理上只有N个阵元,怎么做个差分就能变出O(N²)个虚拟阵元?原理其实不复杂。考虑任意两个阵元位置之差p_i - p_j,所有这样的差值构成一个集合,这个集合里的每个不同取值就对应一个"虚拟阵元"的位置。N个物理阵元两两做差,最多有N(N-1)+1个不同差值,这就是虚拟阵元的来源。关键在于,如果这些差值能覆盖一段连续的整数(或有理数)格点,那么在这段连续虚拟阵上做传统的子空间估计,等效孔径就远大于物理孔径。

用生活化的类比:物理阵元像是你手上有限的几个测量点,差分共阵相当于把这些测量点两两之间的"距离"也当成新的测量点来用。距离信息本来就蕴含在阵元位置的几何关系里,只是传统ULA的差分集合恰好也是均匀的、没有额外增益,所以大家平时不觉得。一旦阵元位置非均匀,差分的丰富性就体现出来了。

3.2 连续段长度决定可用自由度

差分共阵不是所有虚拟阵元都能用,只有连续的那一段才能直接套用ULA的子空间方法(因为空间平滑需要均匀的虚拟阵)。所以稀疏阵列设计的一个核心指标就是"最大连续共阵长度",它直接决定了能分辨的信源数上限。互质阵列的连续段长度有闭式公式,有理阵列论文里也给出了对应构造下的连续段长度表达式,形式上和互质阵列类似,但多了分母参数的影响项。

我实测过一组参数:物理阵元十几个,按论文某构造排布,连续共阵长度能到六七十,理论上可分辨信源数比物理阵元数翻了四五倍。当然这是理论值,实际受快拍数、信噪比、信源相关性影响,能稳定分辨的数量要打折扣。但即便打对折,相对ULA也是质的提升。

3.3 空间平滑:把连续虚拟阵用起来的关键一步

拿到连续共阵之后,不能直接对它做MUSIC,因为虚拟阵的"接收数据"是单快拍的、秩亏的。标准做法是空间平滑:把连续虚拟阵切成若干重叠子阵,每个子阵的协方差矩阵做平均,恢复出满秩的协方差,再走子空间分解。这一步是有理阵列落地流程里最容易被做错的地方,子阵划分方式、平滑次数、重叠长度都会影响最终谱的质量。

提示:空间平滑的子阵长度选择有个经验法则——子阵长度不要超过连续共阵长度的一半,否则平滑次数太少、协方差估计不稳;但子阵也不能太短,太短则等效孔径损失大、分辨率下降。我一般取连续段长度的0.5到0.6倍作为子阵长度,实测比较稳。

4. 模糊抑制:有理结构带来的额外抓手

4.1 稀疏阵列模糊的本质

前面提过,稀疏化必然带来模糊。模糊的数学本质是:当阵元间距超过半波长,导向矢量的相位随角度变化的斜率超过2π每可见区,导致不同角度映射到相同的相位模式,出现多解。对ULA,间距d>λ/2时,可见区内会出现栅瓣,栅瓣位置由d/λ决定。对非均匀稀疏阵,模糊不再是简单的等间距栅瓣,而是由阵元位置集合的差集结构决定的一组伪峰,位置更"散"但依然存在。

有理阵列的模糊分析和它的位置结构强相关。论文的一个有价值之处是把模糊和分母n、分子集合的关系理清了,给出了哪些构造下模糊可以被完全消除、哪些构造下模糊存在但可控。这比"稀疏了就有模糊、你自己仿真看看"要实用得多。

4.2 用共阵连续性反推模糊是否可解

判断一个有理阵列构造能不能用,我的实操顺序是:先算差分共阵,看连续段长度够不够;再看连续段之外有没有"孤立"的虚拟阵元落在关键角度区域造成伪峰;最后结合论文给的模糊判据确认。如果连续段足够长、且模糊伪峰落在连续段覆盖的角度范围之外,那基本可用。这个顺序比先看模糊图样再看共阵要高效,因为共阵连续性是硬指标,模糊是软指标——连续段不够,模糊再干净也分辨不了多信源。

4.3 分母选择与模糊的定量权衡

论文里对不同分母下的模糊水平做了对比。我的理解是,分母n增大时,位置格点变细,构造灵活性上升,但模糊图样的周期性结构也变复杂,某些n取值下反而会出现更密集的伪峰。所以选n不能只看自由度,得把模糊图样一起画出来看。我一般会固定阵元数和目标连续段长度,扫一遍n=2,3,4,5,把每种情况的共阵连续长度和模糊伪峰位置列个表对比,选综合最优的。

分母n连续共阵长度(相对值)模糊伪峰密度适用场景
2中等低阵元数少、追求稳健
3较高中通用场景
4高中高追求自由度、可接受一定模糊
5高高需配合额外去模糊手段

这张表是我自己仿真归纳的,不是论文原表,具体数值随构造不同会变,但趋势可以参考。

5. 动手复现:从位置生成到谱峰输出的完整链路

5.1 位置生成与导向矢量构造

复现的第一步是把论文的构造规则翻译成代码。以某个典型有理阵列构造为例,位置集合可以写成若干组(m/n)·(λ/2)的并集,m取自特定的整数集合,n固定。生成位置后,导向矢量按标准公式a(θ)=exp(-j·2π·(p/λ)·sinθ)构造,注意p是实际物理位置(以长度为单位的向量),不是格点索引,这一步搞错的话后面全错。

import numpy as np def rational_array_positions(m_sets, n, lam=1.0): # m_sets: 列表,每个元素是一组分子整数 # n: 统一分母 positions = [] for mset in m_sets: for m in mset: positions.append(m / n * (lam / 2)) return np.array(sorted(set(positions))) def steering_matrix(positions, angles, lam=1.0): # positions: 物理位置向量(长度单位) # angles: 角度(度) A = np.zeros((len(positions), len(angles)), dtype=complex) for i, p in enumerate(positions): for j, th in enumerate(angles): A[i, j] = np.exp(-1j * 2 * np.pi * p / lam * np.sin(np.deg2rad(th))) return A

位置生成里有个坑:不同分子集合可能生成重复位置,必须去重,否则差分共阵统计会重复计数,连续段长度算错。我第一版就忘了去重,共阵长度虚高了一截,谱上多出一堆莫名其妙的峰,排查了半天才发现是位置重复。

5.2 差分共阵统计与连续段提取

差分共阵的统计就是把所有位置两两做差,收集差值,然后找连续段。由于有理位置是分数,做差后也是分数,需要先统一到一个细格点上量化,再找连续整数索引段。

def difference_coarray(positions, tol=1e-9): diffs = [] for p1 in positions: for p2 in positions: diffs.append(round(p1 - p2, 9)) diffs = np.array(sorted(set(diffs))) # 量化到最小间距格点 min_step = np.min(np.abs(np.diff(np.unique(np.abs(diffs))))) idx = np.round(diffs / min_step).astype(int) return idx, min_step

连续段提取时,tol和量化步长的选择很关键。步长取太小,浮点误差会把本该连续的点断开;取太大,又会把不连续的点误连。我的经验是步长取位置集合的最小公分母对应的格点间距,tol设成步长的百分之一量级。

5.3 空间平滑与MUSIC谱计算

拿到连续段索引后,按子阵长度切分、平均协方差、特征分解、算谱。这部分是标准流程,但子阵长度和信源数估计要小心。信源数用MDL或AIC估,别硬编码,否则信源数估错,噪声子空间取错,谱峰直接乱掉。

def spatial_smoothing_music(R_virtual, sub_len, n_sources, angles): L = R_virtual.shape[0] n_sub = L - sub_len + 1 R_ss = np.zeros((sub_len, sub_len), dtype=complex) for k in range(n_sub): sub = R_virtual[k:k+sub_len, k:k+sub_len] R_ss += sub R_ss /= n_sub w, V = np.linalg.eigh(R_ss) idx = np.argsort(w)[::-1] V = V[:, idx] En = V[:, n_sources:] P = np.zeros(len(angles)) for i, th in enumerate(angles): a = np.exp(-1j * 2 * np.pi * np.arange(sub_len) / 2 * np.sin(np.deg2rad(th))) P[i] = 1.0 / np.sum(np.abs(En.conj().T @ a)**2) return P

注意这里虚拟阵的导向矢量用的是半波长整数索引,因为连续共阵已经量化到均匀格点了,这一步和物理阵的导向矢量不是一回事,别混用。

5.4 实测中的几个意外情况

跑通之后我遇到几个论文里没细说但实操很烦的问题。一是互耦:有理阵列虽然稀疏,但某些构造下仍有阵元靠得比较近,互耦不能完全忽略,尤其高频段。二是快拍数敏感:稀疏阵列的协方差估计比ULA更吃快拍,快拍少的时候空间平滑后的谱明显毛糙,伪峰容易冒头。三是角度网格失配:MUSIC谱是在离散网格上算的,网格太粗会漏掉真峰、网格太细计算量大,我一般先用粗网格定位、再局部细化。

注意:有理阵列的模糊抑制优势在低信噪比、少快拍条件下会明显减弱,别指望它在恶劣条件下还能保持理论自由度。工程上要留足余量。

6. 这套方法适合什么场景、不适合什么场景

6.1 适合:通道受限、信源数偏多、可离线校准

有理阵列最对口的场景是射频通道数被硬件卡死、但需要分辨的信源数又偏多的测向任务。比如某些车载、舰载的被动测向系统,阵面孔径有限、通道数有限,稀疏化是少有的能同时提自由度和省成本的路子。另外它适合能离线做校准的场合——有理阵列的非均匀排布对幅相误差更敏感,校准做不扎实,稀疏带来的增益会被误差吃掉。

6.2 不适合:强互耦环境、极低快拍、实时性苛刻

反过来说,如果应用环境互耦严重(阵元被迫密排)、或者快拍数极少(比如脉冲体制、单次观测)、或者对实时性要求极高(空间平滑和共阵统计有计算开销),有理阵列的性价比就不高了。这种时候老老实实用ULA加波束形成,或者用更简单的稀疏方案,可能更务实。

6.3 和互质阵列的选型建议

如果项目里已经在用互质阵列且跑得不错,没必要为了"新"换有理阵列,两者自由度提升是一个量级的,有理阵列的额外价值主要在位置构造的灵活性和模糊结构的可解析性上。只有当互质阵列的固定构造满足不了你的孔径/通道约束、需要更细的间距调节时,有理阵列才值得引入。我个人的判断标准是:互质阵列能覆盖需求就用互质,覆盖不了再看有理。

读这篇论文最大的收获,其实不是某个具体构造,而是它把"阵元位置的有理结构"和"模糊的可解析性"这两件事绑在了一起,给出了一个可以预判、可以设计的框架。稀疏阵列最怕的就是设计完不知道模糊在哪、只能靠仿真碰运气,有理阵列至少在这一点上往前走了一步。后面我打算把它和宽带场景结合试试,宽带下的频率-角度耦合会让模糊结构更复杂,这块论文没展开,得自己补。

返回列表